CN106503623A - 基于卷积神经网络的人脸图像年龄估算方法 - Google Patents
基于卷积神经网络的人脸图像年龄估算方法 Download PDFInfo
- Publication number
- CN106503623A CN106503623A CN201610857697.3A CN201610857697A CN106503623A CN 106503623 A CN106503623 A CN 106503623A CN 201610857697 A CN201610857697 A CN 201610857697A CN 106503623 A CN106503623 A CN 106503623A
- Authority
- CN
- China
- Prior art keywords
- age
- facial image
- convolutional neural
- neural networks
- sigma
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000001815 facial effect Effects 0.000 title claims abstract description 53
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 230000032683 aging Effects 0.000 claims abstract description 7
- 238000005315 distribution function Methods 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 5
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000000205 computational method Methods 0.000 claims description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 240000007711 Peperomia pellucida Species 0.000 description 1
- 235000012364 Peperomia pellucida Nutrition 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/178—Human faces, e.g. facial parts, sketches or expressions estimating age from face image; using age information for improving recognition
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了图像识别领域中基于卷积神经网络(CNN)的人脸图像年龄估算方法。在传统的年龄识别技术中,一个训练样本只对应一个年龄标签,忽略了相邻年龄之间的关系。本发明基于卷积神经网络,每个样本对应多个年龄标签,使得训练得到的年龄估算模型更加精准。本发明包含以下步骤:首先是对输入图像进行人脸检测、人脸关键点检测、人脸对齐、图像裁剪等;然后是对年龄老化过程进行建模,计算各个表观年龄的概率,储存成年龄分布表;接下来是利用已对齐的人脸图像结合年龄分布表以及目标函数来训练CNN网络;最后,就可以利用训练好的CNN网络,对输入的人脸图像进行年龄估算。
Description
技术领域
本发明涉及图像识别领域,具体涉及一种基于卷积神经网络的人脸图像年龄估算方法。
背景技术
在传统的年龄识别技术中,训练过程中样本与年龄标签往往是一对一的关系,即一个样本只对应一个年龄标签。这样的训练过程假设了不同年龄的样本之间是相互独立的,从而忽略了相邻年龄之间的关系。
其实,人的老化过程受到各种因素的影响,如基因、居住环境、工作环境等等,每个人的老化速率也不一样,这样会使得同一岁数的人有些显得比较年轻,有些显得比较年老。另一方面,人老化过程也是一个缓慢的过程,年龄相近的人看起来年龄十分相似。由此可知,一个人的表观年龄具有一定的随机性,但是也和真实年龄具有一定的相关性。这就导致传统年龄识别技术的识别结果存在较大误差。
发明内容
本发明针对现有技术存在的上述问题,提出一种基于卷积神经网络的人脸图像年龄估算方法,提高了人脸图像年龄识别结果的准确率。
本发明基于卷积神经网络的人脸图像年龄估算方法,包括模型训练和年龄判断两部分;
模型训练:
步骤A1,将各年龄人脸图像的原始样本进行人脸关键点检测,并进行人脸对齐后按照预设尺寸裁剪生成包含人脸图像的新样本;
步骤A2,通过年龄分布函数来对年龄老化过程进行建模,分别积分计算出各真实年龄人脸图像对应的表观年龄的概率值,得到年龄分布表;
步骤A3,利用步骤A1中生成的新样本,结合年龄分布表及设定的目标函数,进行卷积神经网络年龄估算模型的训练,生成训练好的卷积神经网络年龄估算模型;
年龄判断:
步骤B1,对所输入图片进行人脸检测,判断是否包含人脸图像,如包含则对输入图像进行人脸关键点检测,并进行人脸对齐,然后按照预设尺寸裁剪生成包含人脸图像的新图片;
步骤B2,利用步骤A3训练好的卷积神经网络年龄估算模型对包含人脸图像的新图片进行年龄估算,输出估算结果。
优选的,步骤A1具体包括以下内容:
步骤A11,选取各年龄人脸图像作为原始样本;
步骤A12,对所选取的原始样本进行人脸关键点检测,得到两个关键点;
步骤A13,按照两个关键点的位置及其连线对原始样本进行人脸图像的对齐,所述人脸图像的对齐包括对原始样本的旋转、缩放、平移;
步骤A14,将步骤A13中对齐后的样本按照预设尺寸裁剪生成包含人脸图像的新样本。
优选的,步骤A2具体包括以下内容:
步骤A21,通过年龄分布函数来对人脸图像表观年龄的随机性进行建模;
所述年龄分布函数为高斯分布函数,对于真实年龄为lc的人脸图像,其表观年龄对应的高斯分布概率密度函数为:
其中x为自变量,σ为高斯分布的标准差;
步骤A22,将自变量x与表观年龄进行对应,表观年龄li对应自变量x的取值区间为[li-0.5,li+0.5],表观年龄lmax对应自变量x的取值区间为[lmax-0.5,+∞],表观年龄lmin对应自变量x的取值区间为[-∞,lmin+0.5],其中lmax和lmin分别为设定的最大年龄和最小年龄,li、lmax、lmin的取值范围均是包括0在内的自然数。
步骤A23,对步骤A22中各表观年龄li对应的自变量x的区间进行积分计算,算出真实年龄lc在年龄分布函数中各表观年龄li的积分P(lc,li),其中li∈{lmin,…,lmax},lc∈{lmin,…,lmax},得到真实年龄为lc的人脸图像的表观年龄分布概率,依据各真实年龄及其对应的表观年龄分布构造年龄分布表。
优选的,步骤A23中真实年龄lc在年龄分布函数中各表观年龄li的积分P(lc,li)的计算方法如下:
其中P(lc,li)表示年龄为lc的人脸图像表现为年龄li的概率。
优选的,步骤A3具体包括以下内容:
步骤A31,从步骤A1生成的新样本中随机挑选出m张图像,输入到卷积神经网络;
步骤A32,卷积神经网络前向传递,得到特征层输出xc;
步骤A33,结合年龄分布表及卷积神经网络输出层的目标函数,计算训练损失;所述卷积神经网络输出层的目标函数为
其中输出层结点个数为k+1个,每个节点对应一个年龄;c为新样本的序号,i和j为输出层节点序号,θ为输出层参数,T为转置符,m为新样本总数,xc是第c个新样本的特征向量,P(lc,li)的数值可通过在线查询年龄分布表获得。
步骤A34,判断训练损失是否收敛,若收敛则停止训练,得到卷积神经网络年龄估算模型;否则进入步骤A35;
步骤A35,采用随机梯度下降法更新网络参数,然后返回步骤A31;其中卷积神经网络输出层参数梯度为:
其中1{v=i}是指示函数,表示当v=i时,1{v=i}=1;否则1{v=i}=0;v表示的是theta参数矩阵中的第v列向量;网络其余参数的梯度可根据反向传播算法计算。
优选的,步骤B1具体包括以下内容:
步骤B11,对所输入的图片检测其是否包含人脸,若不包含人脸则放弃该张图片,否则进入步骤B12;
步骤B12,对所输入的图片进行人脸关键点检测,得到两个关键点;
步骤B13,按照上述关键点的位置及其连线对原始图片进行人脸图像的对齐,所述人脸图像的对齐包括对原始图片的旋转、缩放、平移;
步骤B14,将步骤B13中对齐后的图片按照预设尺寸裁剪生成包含人脸图像的新图片。
优选的,步骤A12或B12中所述的两个关键点为两眼中心点和上嘴唇中心点。
优选的,步骤A14或B14中所述的预设尺寸的分辨率为224*224。
优选的,步骤B2具体包括以下内容:
步骤B21,将处理后的图像输入到卷积神经网络,进行前向传递,算出各个年龄的概率值p(i);
步骤B22,根据年龄及其对应的预测概率值求数学期望值,得到最终的估算年龄其中a(i)表示第i个输出节点所代表的年龄。
本发明通过年龄分布表,进行卷积神经网络年龄估算模型的训练,并将该模型用于人脸图像的年龄估算,提高了人脸图像年龄识别结果的准确率。
附图说明
图1为本发明的步骤A1流程示意图;
图2为本发明的步骤A2流程示意图;
图3为本发明的步骤A3流程示意图;
图4为本发明的步骤B1流程示意图;
图5为本发明的步骤B2流程示意图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明的基于卷积神经网络的人脸图像年龄估算方法,主要通过对人脸表观年龄的随机性建模,使得每个真实年龄对应一个表观年龄分布,进而实现每个真实年龄对应基于高斯分布加权的多个表观年龄标签,并采用卷积神经网络的方法,训练得到年龄估算模型。
本发明包括模型训练和年龄判断两部分;
模型训练:
步骤A1,将各年龄人脸图像的原始样本进行人脸关键点检测,并进行人脸对齐后按照预设尺寸裁剪生成包含人脸图像的新样本;
步骤A2,通过年龄分布函数来对年龄老化过程进行建模,分别积分计算出各真实年龄人脸图像对应的表观年龄的概率值,得到年龄分布表;
步骤A3,利用步骤A1中生成的新样本,结合年龄分布表及设定的目标函数,进行卷积神经网络年龄估算模型的训练,生成训练好的卷积神经网络年龄估算模型。
年龄判断:
步骤B1,对所输入图片进行人脸检测,判断是否包含人脸图像,如包含则对输入图像进行人脸关键点检测,并进行人脸对齐,然后按照预设尺寸裁剪生成包含人脸图像的新图片;
步骤B2,利用步骤A3训练好的卷积神经网络年龄估算模型对包含人脸图像的新图片进行年龄估算,输出估算结果。
如图1所示,本实施例中步骤A1具体包括以下内容:
步骤A11,选取各年龄人脸图像作为原始样本;
步骤A12,对所选取的原始样本进行人脸关键点检测,得到两眼中心和上嘴唇中心两个关键点;
步骤A13,按照上述关键点的位置及其连线对原始样本进行人脸图像的对齐,所述人脸图像的对齐包括对原始样本的旋转、缩放、平移;
步骤A14,将步骤A13中对齐后的样本按照预设尺寸裁剪生成包含人脸图像的新样本;所述的预设尺寸分辨率为224*224;
如图2所示,本实施例中步骤A2具体包括以下内容:
步骤A21,通过年龄分布函数对人脸图像表观年龄的随机性进行建模,表观年龄分布服从高斯分布函数,对于真实年龄为lc的人脸图像,其表观年龄对应的高斯分布概率密度函数如公式(1)所示:
其中x为自变量,σ为高斯分布的标准差;
步骤A22,因上述自变量x是连续的,而年龄估算中把年龄作为有限的离散整数,故在此需要对表观年龄区间进行适当划分;按照就近原则,将自变量x与表观年龄进行对应,表观年龄li对应自变量x的取值区间为[li-0.5,li+0.5],表观年龄lmax对应自变量x的取值区间为[lmax-0.5,+∞],表观年龄lmin对应自变量x的取值区间为[-∞,lmin+0.5],其中lmax和lmin分别为设定的最大年龄和最小年龄,li、lmax、lmin的取值范围均是包括0在内的自然数;
本实施例中取lmin=0,lmax=100;并对lc和li进行初始化赋值,lc=lmin,li=lmin;
步骤A23,对步骤A22中各表观年龄li对应的自变量x的区间进行积分计算,算出真实年龄lc在年龄分布函数中各表观年龄li的积分P(lc,li),其中li∈{lmin,…,lmax},lc∈{lmin,…,lmax},得到真实年龄为lc的人脸图像的表观年龄分布概率,依据各真实年龄及其对应的表观年龄分布构造年龄分布表。
本实施例中步骤A23的具体执行方法包括如下步骤:
步骤A231,计算年龄分布P(lc,li);
若li=lmin,则
若lmin<li<lmax,则
若li=lmax,则
其中P(lc,li)表示年龄为lc的人脸图像表现为年龄li的概率,具体如公式(2)所示:
步骤A232,对应于每个真实年龄lc,li的取值都从lmin到lmax,若li≥lmax,跳到步骤A233;否则li=li+1,返回至步骤A24;
步骤A233,lc的取值范围也是从lmin到lmax,若lc≥lmax,则计算完成,将所有的P(lc,li)值存储为年龄分布表;否则lc=lc+1,li=lmin,再返回至步骤A231。
如图3所示,本实施例中步骤A3具体包括以下内容:
步骤A31:从步骤A1生成的新样本中随机挑选出m张图像,输入到卷积神经网络;
步骤A32:卷积神经网络前向传递,得到特征层输出xc;
步骤A33:结合年龄分布表及卷积神经网络输出层的目标函数计算训练损失;
所述卷积神经网络输出层的目标函数为改进后的softmax函数,此处命名为softsoftmax函数,依据该目标函数构建的输出层命名为soft softmax层;
soft softmax函数具体如公式(3)所示:
其中输出层结点个数为k+1个,每个节点对应一个年龄;c为新样本的序号,i和j为输出层节点序号;θ为soft softmax层参数,T为转置符,m为新样本总数,xc是第c个新样本的特征向量,P(lc,li)的数值可通过在线查询年龄分布表获得;
步骤A34:判断训练损失是否收敛,若收敛则停止训练,得到卷积神经网络年龄估算模型;否则进入步骤A35;
步骤A35:采用随机梯度下降法(Stochastic Gradient Descent,SGD)更新网络参数,并返回到步骤A31;其中soft softmax层参数梯度如公式(4)所示:
其中1{v=i}是指示函数,表示当v=i时,1{v=i}=1;否则1{v=i}=0;v表示的是theta参数矩阵中的第v列向量。网络其余参数的梯度可根据反向传播算法计算。
如图4所示,本实施例中步骤B1具体包括以下内容:
步骤B11,对所输入的图片检测其是否包含人脸,若不包含人脸则放弃该张图片,否则进入步骤B12;
步骤B12,对所输入的图片进行人脸关键点检测,得到两眼中心和上嘴唇中心两个关键点;
步骤B13,按照上述关键点的位置及其连线对原始图片进行人脸图像的对齐,所述人脸图像的对齐包括对原始图片的旋转、缩放、平移;
步骤B14,将步骤B13中对齐后的图片按照预设尺寸(如224*224)裁剪生成包含人脸图像的新图片。
在本实施例中,如图5所示步骤B2具体包括以下内容:
步骤B21,将处理后的图像输入到卷积神经网络,进行前向传递,算出各个年龄的概率p(i);
步骤B22,根据年龄及其对应的预测概率值求数学期望值,得到最终的估算年龄其中,a(i)表示第i个输出节点所代表的年龄。
本实施例中,步骤A12和步骤B12中对所输入的图片进行人脸关键点检测,可以为人脸任意两个关键点,均能满足人脸图像方向对齐和比例缩放的要求。
本领域技术人员应该能够意识到,结合本文中所公开的实施例描述的各示例的方法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明电子硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (9)
1.一种基于卷积神经网络的人脸图像年龄估算方法,其特征在于,包括模型训练和年龄判断两部分;
模型训练:
步骤A1,将各年龄人脸图像的原始样本进行人脸关键点检测,并进行人脸对齐后按照预设尺寸裁剪生成包含人脸图像的新样本;
步骤A2,通过年龄分布函数来对年龄老化过程进行建模,分别积分计算出各真实年龄人脸图像对应的表观年龄的概率值,得到年龄分布表;
步骤A3,利用步骤A1中生成的新样本,结合年龄分布表及设定的目标函数,进行卷积神经网络年龄估算模型的训练,生成训练好的卷积神经网络年龄估算模型;
年龄判断:
步骤B1,对所输入图片进行人脸检测,判断是否包含人脸图像,如包含则对输入图像进行人脸关键点检测,并进行人脸对齐,然后按照预设尺寸裁剪生成包含人脸图像的新图片;
步骤B2,利用步骤A3训练好的卷积神经网络年龄估算模型对包含人脸图像的新图片进行年龄估算,输出估算结果。
2.根据权利要求1所述的方法,其特征在于,步骤A1具体包括以下内容:
步骤A11,选取各年龄人脸图像作为原始样本;
步骤A12,对所选取的原始样本进行人脸关键点检测,得到两个关键点;
步骤A13,按照两个关键点的位置及其连线对原始样本进行人脸图像的对齐,所述人脸图像的对齐包括对原始样本的旋转、缩放、平移;
步骤A14,将步骤A13中对齐后的样本按照预设尺寸裁剪生成包含人脸图像的新样本。
3.根据权利要求1所述的方法,其特征在于,步骤A2具体包括以下内容:
步骤A21,通过年龄分布函数来对人脸图像表观年龄的随机性进行建模;
所述年龄分布函数为高斯分布函数,对于真实年龄为lc的人脸图像,其表观年龄对应的高斯分布概率密度函数为:
其中x为自变量,σ为高斯分布的标准差;
步骤A22,将自变量x与表观年龄进行对应,表观年龄li对应自变量x的取值区间为[li-0.5,li+0.5],表观年龄lmax对应自变量x的取值区间为[lmax-0.5,+∞],表观年龄lmin对应自变量x的取值区间为[-∞,lmin+0.5],其中lmax和lmin分别为设定的最大年龄和最小年龄,li、lmax、lmin的取值范围均是包括0在内的自然数;
步骤A23,对步骤A22中各表观年龄li对应的自变量x的区间进行积分计算,算出真实年龄lc在年龄分布函数中各表观年龄li的积分P(lc,li),其中li∈{lmin,…,lmax},lc∈{lmin,…,lmax},得到真实年龄为lc的人脸图像的表观年龄分布概率,依据各真实年龄及其对应的表观年龄分布构造年龄分布表。
4.根据权利要求3所述的方法,其特征在于,步骤A23中真实年龄为lc的人脸图像在年龄分布函数中各表观年龄li的积分P(lc,li)的计算方法如下:
其中P(lc,li)表示年龄为lc的人脸图像表现为年龄li的概率。
5.根据权利要求1所述的方法,其特征在于,步骤A3具体包括以下内容:
步骤A31,从步骤A1生成的新样本中随机挑选出m张图像,输入到卷积神经网络;
步骤A32,卷积神经网络前向传递,得到特征层输出xc;
步骤A33,结合年龄分布表及卷积神经网络输出层的目标函数,计算训练损失;所述卷积神经网络输出层的目标函数为
其中输出层结点个数为k+1个,每个节点对应一个年龄;c为新样本的序号,i和j为输出层节点序号,θ为输出层参数,T为转置符,m为新样本总数,xc是第c个新样本的特征向量,P(lc,li)的数值可通过在线查询年龄分布表获得;
步骤A34,判断训练损失是否收敛,若收敛则停止训练,得到卷积神经网络年龄估算模型;否则进入步骤A35;
步骤A35,采用随机梯度下降法更新网络参数,然后返回步骤A31;其中卷积神经网络输出层的参数梯度为:
其中1{v=i}是指示函数,表示当v=i时,1{v=i}=1;否则1{v=i}=0;v表示的是theta参数矩阵中的第v列向量;网络其余参数的梯度可根据反向传播算法计算。
6.根据权利要求1所述的方法,其特征在于,步骤B1具体包括以下内容:
步骤B11,对所输入的图片检测其是否包含人脸,若不包含人脸则放弃该张图片,否则进入步骤B12;
步骤B12,对所输入的图片进行人脸关键点检测,得到两个关键点;
步骤B13,按照上述关键点的位置及其连线对原始图片进行人脸图像的对齐,所述人脸图像的对齐包括对原始图片的旋转、缩放、平移;
步骤B14,将步骤B13中对齐后的图片按照预设尺寸裁剪生成包含人脸图像的新图片。
7.根据权利要求2或6所述的方法,其特征在于,所述的两个关键点为两眼中心点和上嘴唇中心点。
8.根据权利要求2或6所述的方法,其特征在于,所述的预设尺寸的分辨率为224*224。
9.根据权利要求1所述的方法,其特征在于,步骤B2具体包括以下内容:
步骤B21,将步骤B14得到的新图片输入到卷积神经网络,进行前向传递,算出各个表观年龄的概率值p(i);
步骤B22,根据各表观年龄及其对应的概率值求数学期望值,得到最终的估算年龄其中a(i)表示第i个输出节点所代表的年龄。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610857697.3A CN106503623B (zh) | 2016-09-27 | 2016-09-27 | 基于卷积神经网络的人脸图像年龄估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610857697.3A CN106503623B (zh) | 2016-09-27 | 2016-09-27 | 基于卷积神经网络的人脸图像年龄估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503623A true CN106503623A (zh) | 2017-03-15 |
CN106503623B CN106503623B (zh) | 2019-10-08 |
Family
ID=58290160
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610857697.3A Active CN106503623B (zh) | 2016-09-27 | 2016-09-27 | 基于卷积神经网络的人脸图像年龄估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503623B (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874964A (zh) * | 2017-03-30 | 2017-06-20 | 李文谦 | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 |
CN107169454A (zh) * | 2017-05-16 | 2017-09-15 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
CN107622261A (zh) * | 2017-11-03 | 2018-01-23 | 北方工业大学 | 基于深度学习的人脸年龄估计方法及装置 |
CN107977633A (zh) * | 2017-12-06 | 2018-05-01 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
CN108021863A (zh) * | 2017-11-01 | 2018-05-11 | 平安科技(深圳)有限公司 | 电子装置、基于图像的年龄分类方法及存储介质 |
CN108171209A (zh) * | 2018-01-18 | 2018-06-15 | 中科视拓(北京)科技有限公司 | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 |
CN108764048A (zh) * | 2018-04-28 | 2018-11-06 | 中国科学院自动化研究所 | 人脸关键点检测方法及装置 |
CN108898087A (zh) * | 2018-06-22 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 人脸关键点定位模型的训练方法、装置、设备及存储介质 |
CN108985133A (zh) * | 2017-06-01 | 2018-12-11 | 北京中科奥森数据科技有限公司 | 一种人脸图像的年龄预测方法及装置 |
CN109101938A (zh) * | 2018-08-23 | 2018-12-28 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于卷积神经网络的多标签年龄估计方法 |
WO2019000466A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 人脸识别方法、装置、存储介质及电子设备 |
CN109214245A (zh) * | 2017-07-03 | 2019-01-15 | 株式会社理光 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
CN109886183A (zh) * | 2019-02-19 | 2019-06-14 | 清华大学 | 基于桥式神经网络的人脸年龄估计方法及装置 |
CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
CN110532970A (zh) * | 2019-09-02 | 2019-12-03 | 厦门瑞为信息技术有限公司 | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 |
CN110610613A (zh) * | 2018-06-14 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 未成年人驾驶车辆的检测方法及装置 |
CN111090477A (zh) * | 2019-12-16 | 2020-05-01 | 北京无忧创想信息技术有限公司 | 一种可自动切换模式的智能终端及其实现方法 |
CN111695415A (zh) * | 2020-04-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像识别模型的构建方法、识别方法及相关设备 |
CN111931586A (zh) * | 2020-07-14 | 2020-11-13 | 珠海市卓轩科技有限公司 | 人脸年龄识别方法、装置及存储介质 |
CN112287726A (zh) * | 2019-07-24 | 2021-01-29 | 初速度(苏州)科技有限公司 | 一种红外样本图像获取方法及装置 |
CN112307796A (zh) * | 2019-07-24 | 2021-02-02 | 初速度(苏州)科技有限公司 | 一种用于红外图像的年龄预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN104504376A (zh) * | 2014-12-22 | 2015-04-08 | 厦门美图之家科技有限公司 | 一种人脸图像的年龄分类方法和系统 |
CN104992167A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸检测方法及装置 |
-
2016
- 2016-09-27 CN CN201610857697.3A patent/CN106503623B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103824054A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联深度神经网络的人脸属性识别方法 |
CN104504376A (zh) * | 2014-12-22 | 2015-04-08 | 厦门美图之家科技有限公司 | 一种人脸图像的年龄分类方法和系统 |
CN104992167A (zh) * | 2015-07-28 | 2015-10-21 | 中国科学院自动化研究所 | 一种基于卷积神经网络的人脸检测方法及装置 |
Non-Patent Citations (1)
Title |
---|
ZENGWEI HUO等: "Deep Age Distribution Learning for Apparent Age Estimaion", 《2016IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION WORKSHOPS》 * |
Cited By (32)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106874964A (zh) * | 2017-03-30 | 2017-06-20 | 李文谦 | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 |
CN106874964B (zh) * | 2017-03-30 | 2023-11-03 | 李文谦 | 一种基于改进型卷积神经网络的脚型图像尺码自动预测方法及预测装置 |
CN107169454A (zh) * | 2017-05-16 | 2017-09-15 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
CN107169454B (zh) * | 2017-05-16 | 2021-01-01 | 中国科学院深圳先进技术研究院 | 一种人脸图像年龄估算方法、装置及其终端设备 |
CN108985133A (zh) * | 2017-06-01 | 2018-12-11 | 北京中科奥森数据科技有限公司 | 一种人脸图像的年龄预测方法及装置 |
WO2019000466A1 (zh) * | 2017-06-30 | 2019-01-03 | 广东欧珀移动通信有限公司 | 人脸识别方法、装置、存储介质及电子设备 |
US11380131B2 (en) | 2017-06-30 | 2022-07-05 | Guangdong Oppo Mobile Telecommunications Corp., Ltd. | Method and device for face recognition, storage medium, and electronic device |
CN109214245A (zh) * | 2017-07-03 | 2019-01-15 | 株式会社理光 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
CN108021863A (zh) * | 2017-11-01 | 2018-05-11 | 平安科技(深圳)有限公司 | 电子装置、基于图像的年龄分类方法及存储介质 |
CN107622261A (zh) * | 2017-11-03 | 2018-01-23 | 北方工业大学 | 基于深度学习的人脸年龄估计方法及装置 |
CN107977633A (zh) * | 2017-12-06 | 2018-05-01 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
WO2019109526A1 (zh) * | 2017-12-06 | 2019-06-13 | 平安科技(深圳)有限公司 | 人脸图像的年龄识别方法、装置及存储介质 |
CN108171209A (zh) * | 2018-01-18 | 2018-06-15 | 中科视拓(北京)科技有限公司 | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 |
CN108171209B (zh) * | 2018-01-18 | 2021-07-16 | 中科视拓(北京)科技有限公司 | 一种基于卷积神经网络进行度量学习的人脸年龄估计方法 |
CN108764048A (zh) * | 2018-04-28 | 2018-11-06 | 中国科学院自动化研究所 | 人脸关键点检测方法及装置 |
CN108764048B (zh) * | 2018-04-28 | 2021-03-16 | 中国科学院自动化研究所 | 人脸关键点检测方法及装置 |
CN110610613A (zh) * | 2018-06-14 | 2019-12-24 | 杭州海康威视数字技术股份有限公司 | 未成年人驾驶车辆的检测方法及装置 |
CN108898087A (zh) * | 2018-06-22 | 2018-11-27 | 腾讯科技(深圳)有限公司 | 人脸关键点定位模型的训练方法、装置、设备及存储介质 |
CN109101938A (zh) * | 2018-08-23 | 2018-12-28 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于卷积神经网络的多标签年龄估计方法 |
CN109101938B (zh) * | 2018-08-23 | 2021-01-15 | 武汉嫦娥医学抗衰机器人股份有限公司 | 一种基于卷积神经网络的多标签年龄估计方法 |
CN109886183A (zh) * | 2019-02-19 | 2019-06-14 | 清华大学 | 基于桥式神经网络的人脸年龄估计方法及装置 |
CN109886183B (zh) * | 2019-02-19 | 2021-01-12 | 清华大学 | 基于桥式神经网络的人脸年龄估计方法及装置 |
CN110287942A (zh) * | 2019-07-03 | 2019-09-27 | 成都旷视金智科技有限公司 | 年龄估计模型的训练方法、年龄估计方法以及对应的装置 |
CN112287726A (zh) * | 2019-07-24 | 2021-01-29 | 初速度(苏州)科技有限公司 | 一种红外样本图像获取方法及装置 |
CN112307796A (zh) * | 2019-07-24 | 2021-02-02 | 初速度(苏州)科技有限公司 | 一种用于红外图像的年龄预测方法及装置 |
CN112307796B (zh) * | 2019-07-24 | 2022-06-24 | 魔门塔(苏州)科技有限公司 | 一种用于红外图像的年龄预测方法及装置 |
CN112287726B (zh) * | 2019-07-24 | 2022-06-24 | 魔门塔(苏州)科技有限公司 | 一种红外样本图像获取方法及装置 |
CN110532970A (zh) * | 2019-09-02 | 2019-12-03 | 厦门瑞为信息技术有限公司 | 人脸2d图像的年龄性别属性分析方法、系统、设备和介质 |
CN111090477A (zh) * | 2019-12-16 | 2020-05-01 | 北京无忧创想信息技术有限公司 | 一种可自动切换模式的智能终端及其实现方法 |
CN111695415A (zh) * | 2020-04-28 | 2020-09-22 | 平安科技(深圳)有限公司 | 图像识别模型的构建方法、识别方法及相关设备 |
CN111695415B (zh) * | 2020-04-28 | 2024-04-12 | 平安科技(深圳)有限公司 | 图像识别方法及相关设备 |
CN111931586A (zh) * | 2020-07-14 | 2020-11-13 | 珠海市卓轩科技有限公司 | 人脸年龄识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN106503623B (zh) | 2019-10-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503623A (zh) | 基于卷积神经网络的人脸图像年龄估算方法 | |
CN105678248B (zh) | 基于深度学习的人脸关键点对齐算法 | |
CN106529402A (zh) | 基于多任务学习的卷积神经网络的人脸属性分析方法 | |
CN105528589B (zh) | 基于多列卷积神经网络的单张图像人群计数算法 | |
Hansun | A new approach of brown’s double exponential smoothing method in time series analysis | |
CN104573359B (zh) | 一种基于任务难度与标注者能力的众包标注数据整合方法 | |
Kull et al. | Novel decompositions of proper scoring rules for classification: Score adjustment as precursor to calibration | |
CN105005769B (zh) | 一种基于深度信息的手语识别方法 | |
CN107358293A (zh) | 一种神经网络训练方法及装置 | |
CN110070239B (zh) | 一种基于a星搜索和深度学习的个性化路线推荐方法 | |
CN108256431A (zh) | 一种手部位置标识方法及装置 | |
CN109816101A (zh) | 一种基于图卷积神经网络的会话序列推荐方法及系统 | |
CN109190537A (zh) | 一种基于掩码感知深度强化学习的多人物姿态估计方法 | |
CN108304820A (zh) | 一种人脸检测方法、装置及终端设备 | |
CN110097029B (zh) | 基于Highway网络多视角步态识别的身份认证方法 | |
CN106096047B (zh) | 基于熵值法的用户分区偏好计算方法及系统 | |
CN106599368A (zh) | 基于改进粒子提议分布和自适应粒子重采样的FastSLAM方法 | |
CN109598220A (zh) | 一种基于多元输入多尺度卷积的人数统计方法 | |
CN111210111B (zh) | 一种基于在线学习与众包数据分析的城市环境评估方法和系统 | |
CN109902912A (zh) | 一种基于性格特征的个性化图像美学评价方法 | |
CN106203628A (zh) | 一种增强深度学习算法鲁棒性的优化方法和系统 | |
CN107728589A (zh) | 一种柔性ic基板蚀刻显影工艺过程的在线监控方法 | |
CN106203284A (zh) | 基于卷积神经网络和条件随机场的人脸检测方法 | |
CN111737826B (zh) | 一种基于增强学习的轨道交通自动仿真建模方法及装置 | |
CN108985517A (zh) | 基于线性回归的短时交通流量预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |